标注新闻是把报纸搬到网上最慢的一步。编辑要在每篇新闻周围画框，让读者可以点击，然后再输入或粘贴标题和正文。可是送去印刷厂的 PDF 里，本来就有每一个字和它的精确位置。在 Inkfold 1.1 中，我们用上了这些坐标：画好框，标题和正文就自动出现。
在浏览器中读取文字
Inkfold 原本就用 pdf.js 在浏览器中导入 PDF，把每个版面渲染成图片，服务器无需额外软件。同一个库还通过 getTextContent() 提供文字层：一组文字片段，每个片段都有变换矩阵和宽度。把每个片段的矩阵与版面视图的变换相乘，就得到它在版面上的像素位置；字号是矩阵垂直向量的长度，片段的顶部就是基线减去这个字号。
片段并不是整行文字，所以我们按位置排序，把基线相同（误差在半个字高以内）且水平距离很近的片段合并成行。每一行都按版面尺寸的比例保存，与新闻区域使用同一套坐标系，并在版面图片上传后立刻发送到服务器。
如果有工具，也可以在服务器上处理
有些出版方更愿意在服务器上转换大型 PDF。只要服务器装有 Imagick 扩展或 Ghostscript，编辑就可以上传 PDF，由服务器以 150 dpi 渲染版面。如果还安装了 Poppler 的 pdftotext，它的 -bbox-layout 输出会给出同样的行坐标，我们会把它转换成相同格式。即使没有这些工具，一切仍然可以在浏览器中完成。
从一个框到标题和正文
编辑画出区域后，选行很简单：中心点落在框内的所有行。判断哪些行是标题，我们依靠排版而不是猜测：高度至少达到区域内最高一行 85% 的行。其余都是正文。
报纸正文是分栏排的，如果单纯从上到下读行，各栏内容就会交错。我们按左边缘把行分成若干栏，容差约为版面宽度的 3.5%，然后从左到右逐栏阅读，每栏从上到下。行尾用连字符断开的单词会重新拼合。
同样的逻辑实现了两遍：PHP 版本让没有填写正文就保存的新闻在服务器端自动补全；JavaScript 版本让标注工具在画框的瞬间就填好表单，并为已有新闻提供“从 PDF 填写”按钮。整个版面的文字还会作为可搜索文本保存，网站搜索也能找到广告和图片说明里的词。
要点
- 印刷 PDF 是结构化数据：用它的文字层，而不是重新打字。
- 把所有坐标都换算成版面比例，让文字和区域共用一套坐标系。
- 按字号识别标题，正文逐栏阅读。
- 服务器端转换只是可选项，而不是硬性要求。
本系列上一篇：多语言、从右到左的阅读器。可以在 Inkfold 演示 的编辑后台试用新闻标注工具；软件可在 Charming Theme 购买。
有需要变成结构化内容的 PDF、扫描件或印刷文件？和我们聊聊 — ArtinTech Solution 为出版商开发文档处理工具。